Tabel 4.5 Analisis Regresi 3
Variabel Koefisien
regresi Sig.
nilai t Keterangan
Konstanta 4,827
0,000
Profitabilitas 2,131
0,000
Signifikan Kebijakan Dividen
1,313
0,006
Signifikan ProfitabilitasKebijakan
Dividen 0,716
0,000
Signifikan F
hitung
30,804 Sig. F-test
0,000 Adjusted R Square
0,390 Variabel dependen : Nilai Perusahaan
Sumber : Hasil Olah Data, lampiran 22
Berdasarkan Tabel 4.5 maka diperoleh persamaan regresi moderasi sebagai berikut :
Ynilai perusahaan = 4,872 + 2,131 profitabilitas + 1,313 kebijakan dividen + 0,716 profitabilitaskebijakan dividen + e
Persamaan diatas dapat dijelaskan sebagai berikut : 1.
Konstanta α Nilai konstanta yang diperoleh sebesar 4,872 dengan probabilitas
signifikan 0,000 0,05. Hal ini berarti bahwa jika variabel independen adalah nol, maka besarnya nilai perusahaan adalah sebesar konstanta
4,872. 2. Koefisien Regresi X1
Variabel profitabilitas memiliki nilai koefisien regresi positif sebesar 2,131
dengan probabilitas signifikansi 0,000 0,05 α.
3. Koefisien Regresi X2 Variabel kebijakan dividen memiliki nilai koefisien regresi positif
sebesar dengan probabilitas signifikansi 0,006 0,05 α.
4. Koefisien Regresi X3 Variabel interaksi profitabilitaskebijakan dividen memiliki nilai
koefisien regresi positif sebesar 0,716 dengan probabilitas signifikansi 0,000 0,05 α.
D. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk menguji model regresi. Model regresi yang diperoleh berdistribusi normal dan terbebas dari gejala
autokorelasi, multikolinearitas, dan heteroskedastisitas. Berikut hasil uji asumsi klasik adalah sebagai berikut :
1. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model
regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Sehingga apabila data tersebut memiliki distribusi
normal maka uji t dapat dilakukan. Hasil uji normalitas dengan metode One-Sample Kolmogrov-Smirnov Test dapat ditunjukkan pada Tabel 4.6
berikut ini :
Tabel 4.6 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Asymp.sig 2-tailed Keterangan
0,000 Data Berdistribusi Tidak Normal
Sumber : Hasil Olah Data, lampiran 12
Hasil uji normalitas dengan metode One-Sample Kolmogorov- Smirnov Test menunjukkan angka 0,000 yang lebih kecil dari 0,05 yang
artinya seluruh variabel yang digunakan dalam penelitian ini memiliki random data yang tidak berdistribusi normal. Dengan demikian dilakukan
perbaikan menggunakan transformasi data menjadi data Ln Log Natural, karena plot datahistogram merupakan substansial positive sweakness
Ghozali, 2011. Bentuk plot data histogram lampiran 23 - lampiran 27 Hasil uji normalitas dengan transformasi data Ln dan metode One-Sample
Kolmogorov-Smirnov dapat ditunjukkan dari tabel 4.7 berikut ini:
Tabel 4.7 Hasil Uji Normalitas Tranformasi Data Ln
One-Sample Kolmogorov-Smirnov Test
Asymp.sig 2-tailed Keterangan
0,825 Data berdistribusi normal
Sumber : Hasil Olah Data, lampiran 13 Hasil uji normalitas transformasi data Ln menunjukkan angka
0,825 yang lebih besar dari 0,05 yang artinya seluruh variabel yang digunakan dalam penelitian ini memiliki random data yang berdistribusi
normal. 2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada tidaknya korelasi antar variabel independen dalam sebuah model regresi berganda.
Jika terjadi korelasi, maka dinamakan terdapat problem multikolinearitas. Sebuah model regresi yang baik, seharusnya tidak terjadi korelasi diantara
variabel independen.
Untuk dapat
mendeteksi ada
tidaknya problemmultikolinearitas pada sebuah model regresi, dapat dilakukan
dengan melihat nilai Variance Inflation Factor VIF dimana nilai VIF harus dibawah nilai 10. Jika nilai Variance Inflation Factor VIF hasil
regresi lebih besar dari 10 maka dapat dipastikan ada multikolinearitas diantara variabel bebas tersebut. Berikut adalah hasil perhitungan dengan
bantuan SPSS nilai Variance Inflation Factor VIF pada model regresi yang digunakan dalam model penelitian.
Tabel 4.8 Uji Multikolinearitas Transformasi Data Ln
Variabel VIF
Keterangan Likuiditas
1,758 Tidak terjadi multikolinearitas
Leverage 1,568
Tidak terjadi multikolinearitas Profitabilitas
1,267 Tidak terjadi multikolinearitas
Kebijakan Dividen 1,047
Tidak terjadi multikolinearitas Sumber : Hasil Data Olah, lampiran 15
Dari hasil perhitungan dapat dilihat bahwa tidak terdapat nilai VIF yang melebihi nilai 10 pada model regresi. Hal ini menunjukkan bahwa
tidak terjadi problem multikolinearitas dalam model regresi tersebut. 3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Model regresi yang baik adalah tidak terjadi heteroskedastisitas dalam penelitian ini memakai uji gletjser. Jika secara
statistik ditemukan hubungan yang signifikan,maka bias disimpulkan bahwa terdapat heteroskedastisitas dalam varian kesalahan demikian
sebaliknya. Pengujian yang digunakan adalah dengan uji glejser dengan
melihat probabilitas signifikansinya diatas tingkat kepercayaan 5 atau 0,05 dengan hasil pengujian data sebagai berikut :
Tabel 4.9 Uji Heteroskedastisitas Transformasi Data Ln
Variabel Sig
Keterangan Likuiditas
0.200 Tidak terjadi heteroskedastisitas
Leverage 0.205
Tidak terjadi heteroskedastisitas Profitabilitas
0.064 Tidak terjadi heteroskedastisitas
Kebijakan Dividen 0.068
Tidak terjadi heteroskedastisitas Sumber : Hasil Data Olah, lampiran 14
Berdasarkan tabel diatas diperoleh bahwa seluruh variabel bebas mempunyai nilai probabilitas yang lebih besar dari taraf signifikan 0,05
sehingga dapat disimpulkan bahwa dalam model regresi tersebut tidak terjadi heterokedastisitas.
4. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model
regresi ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Apabila terjadi
problem autokorelasi maka konsekuensinya adalah variance sampel tidak dapat menggambarkan variance populasinya. Model regresinya tidak
dapat menaksirkan nilai variabel dependen pada nilai variabel independen tertentu. Pengujian yang dilakukan untuk menganalisis adanya
autokorelasi adalah uji Durbin-Watson dengan melihat tabel Durbin- Watson untuk menentukan nilai du dan dl.
